SISTEMAS DE RAZONAMIENTO

4.1 REGLAS DE PRODUCCIÓN

Regla se entiende como una proposición lógica que relaciona 2 o más objetos e incluye 2 partes, la premisa y la conclusión. Cada una de estas partes consiste en una expresión lógica con una o más afirmaciones objeto-valor conectadas mediante los operadores lógicos y, o ó no.

Reglas de producción. Es un método procedimental de representación del conocimiento, pone énfasis en representar y soportar las relaciones inferenciales del algoritmo, en contraposición a los métodos declarativos (hechos).

La estructura de una regla es:

• SI <antecedentes>

• ENTONCES <consecuentes>

Los antecedentes son las condiciones y los consecuentes las conclusiones, acciones o hipótesis.

Cada regla por si misma constituye un gránulo completo de conocimiento.

La inferencia en los Sistemas Basados en Reglas se realiza mediante emparejamiento. Hay dos tipos, según el sentido:

• Sistemas de encadenamiento hacia adelante: una regla es activada si los antecedentes emparejan con algunos hechos del sistema.

• Sistemas de encadenamiento hacia atrás: una regla es activada si los consecuentes emparejan con algunos hechos del sistema.

Arquitectura de los Sistemas Basados en Reglas:

• Base de Conocimientos: reúne todo el conocimiento del sistema (Hechos + Reglas).

• Memoria Activa: contiene los hechos que representan el estado actual del problema (iniciales + inferidos a posteriori) y las reglas activadas (en condiciones de ser ejecutadas).

• Motor de Inferencias: decide que reglas activadas se ejecutarán.

4.1.1. Sintaxis de las reglas de producción.

Método procedimental de representación del conocimiento

Estructura

• SI <condiciones>

• ENTONCES <conclusiones, acciones, hipótesis>

Cada regla SI-ENTONCES establece un granulo completo de conocimiento

Regla_ Operador valido en un espacio de estados

CONDICIONES (premisas, precondiciones, antecedentes,...)

Formadas por clausulas y conectivas (AND, OR, NOT)

Representación clausal debe corresponderse con conocimiento del dominio

• Formato típico: <parámetro/relación/valor>

• PARÁMETRO: característica relevante del dominio

• RELACIÓN: entre parámetro y valor

• VALOR: numérico, simbólico o literal

REGLAS ESPECIALES

• Reglas IF ALL: equivalen a reglas con las clausulas de las condiciones conectadas con AND

• Reglas IF ANY/ IF SOME: equivalen a reglas con las clausulas de las condiciones conectadas con OR

EJEMPLO

• IF: temperatura = alta

• AND sudoración = presente

• AND dolor_muscular = presente

• THEN: diagnostico_preliminar = gripe

• IF: diagnostico_preliminar = gripe

• AND descompos_organos_internos = presente

• THEN: diagnostico_preliminar = _abola

TIPOS de SISTEMAS

En función de sintaxis de reglas y de mecanismos de control (_búsqueda)

• SISTEMA ENCADENAMIENTO HACIA ADELANTE (dirigidos por los datos)

• Regla ACTIVADA si antecedentes emparejan con algunos hechos del sistema

• En IF ALL, todos. En IF ANY, al menos uno.

• Se parte de los hechos ya confirmados en el sistema

• Se razona hacia adelante buscando antecedentes que emparejen

• SISTEMA ENCADENAMIENTO HACIA ATRÁS (dirigido por los objetivos)

• Se comienza con una hipótesis

• Se razona hacia atrás buscando consecuentes que emparejen

GENERACIÓN de EXPLICACIONES

• Posibilidad de \explicar" el porqué de un resultado

• Devolver a usuario la cadena de reglas empleadas

• Combinar reglas y hechos del árbol de búsqueda según las conectivas Incrementan la \aceptación" del resultado ofrecido (dominios críticos)

4.2. SEMÁNTICA DE LAS REGLAS DE PRODUCCIÓN.

Es una representación formal de una relación, una información semántica o una acción condicional. Una regla de producción tiene, generalmente, la siguiente forma: SI Premisa ENTONCES Consecuencia. Ofrecen una gran facilidad para la creación y la modificación de la base de conocimiento. Permite introducir coeficientes de verosimilitud para ponderar el conocimiento (estos coeficientes se van propagando durante el proceso de razonamiento mediante unas fórmulas de cálculo establecidas) y, en teoría, el método asegura que cuantas más reglas posea más potente es. Sin embargo, aunque es la forma de representación más intuitiva y rápida, cuando el número de reglas es grande aumenta la dificultad de verificación de todas las posibilidades con el consiguiente riesgo de perder la coherencia lógica en la base de conocimiento.

Los hechos y las reglas asociadas de la base de conocimiento normalmente no son exactos; es decir se tiene incertidumbre sobre el grado de certeza de algunos hechos y también sobre el campo de validez de algunas de las reglas.

Para el manejo de la incertidumbre en los sistemas de reglas se han utilizado varios sistemas; los tres más conocidos son los Factores de Certeza (utilizados en MYCIN), la lógica de Dempster Shafer, y la Lógica Difusa (Fuzzy Logic).

El método de tratar la incertidumbre es una de las características más importantes de las herramientas de desarrollo, y actualmente se encuentra en discusión la validez de estas lógicas para tratar con la incertidumbre.

En sustitución se han propuesto las Redes Bayesianas que tienen una base matemática más firme.

4.2.1. Conocimiento causal.

Relación que vincula dos ideas a través de una conexión supuestamente necesaria.

Es uno de los tres principios de asociación.

La causalidad no tiene carácter necesario cuando se aplica a las cuestiones de hecho, sino que se funda en la costumbre: la repetición (o conjunción constante) no es más que una creencia; es algo que esperamos que suceda, no algo que deba suceder necesariamente sino algo que debe ser evaluado en términos de posibilidad. En la medida en que el concepto de causalidad no puede aplicarse a hechos que todavía no han sucedido, porque no tenemos evidencia lo todavía no acaecido, la falta de un concepto de causalidad nos conduce necesariamente al escepticismo.

4.2.2. Conocimiento de diagnóstico.

El problema del diagnostico ha sido, desde los comienzos de la IA, uno de los más estudiados y donde los investigadores han cosechado tanto satisfacciones como fracasos. El diagnostico en el campo de la medicina es sin duda, una de las áreas de la IA que supone todavía una gran desafió. Una de las características más frecuentes en resolución del problema del diagnostico en dominios reales es la necesidad de trata con la dimensión temporal. Así, una vez propuesto un modelo teórico, una tendencia cada vez más habitual a la hora de desarrollar sistemas de diagnostico temporal es necesario abordar el problema del diagnostico temporal desde diferentes enfoques, permitiendo seleccionar cual es la aproximación más adecuada para cada problema concreto es simplificar el dominio para que el modelo inicial sea aplicable.

4.3.-ARQUITECTURA DE UN SISTEMA DE PRODUCCION

Definición:Sistemas inteligentes basados en reglas difusas (SBRD) que operan frente a una base de hechos con mecanismos de emparejamiento formando parte explícita de su arquitectura.

Se clasifican en dos categorías según su estructura de control:

• Sistemas dirigidos por los datos

• Sistemas dirigidos por los objetivos

Tienen una serie de aplicaciones diversas, pero fundamentalmente

son usados para:

Modelado de Sistemas.

Modelado de sistemas

Usado para representar escenarios de actuación con variables complejas, en los cuáles no basta con usar realidades absolutas como lo sería un cierto o falso. En aplicaciones de control, ya que suelen estar basadas en el punto descrito anteriormente. Pueden ser usadas para la categorización de elementos, detectar patrones.

Como agentes de usuario, los cuáles van a proporcionar una serie de ayudas a los expertos en una determinada materia para que tomen las decisiones que ellos consideren oportunas, en este caso estos sistemas van a ofrecer una ayuda, pero la decisión final la va a tomar el experto en cuestión. Como ejemplo cabe destacar el ámbito financiero. (Minería de datos y descubrimiento de información)

ReglasLos sistemas basados en reglas (SBR) se rigen por una serie de reglas que los configuran.

• Una regla es definida como un modo de representación estratégica o técnica, la cuál es apropiada cuando el conocimiento con el que deseamos trabajar proviene de la experiencia o de la intuición, y por tanto carece de una demostración física o matemática.

Tipos de reglas y proposicionesLas proposiciones se pueden clasificar en los siguientes grupos:

• Proposiciones CUALIFICADAS: Introducen un atributo para cualificar la proposición que forma una regla. El atributo corresponde al grado que determina la regla. Grado de Suceso: Probable, poco probable...

• Proposiciones CUANTIFICADAS: Indican cantidades difusas en las reglas

Ejemplo:

• SI muchos alumnos reprueban ENTONCES la explicación fue bastante mala. Respecto a esta clasificación, podremos decir que las proposiciones que no poseen cuantificadores ni cualificadores son proposiciones categóricas, mientras que las proposiciones no categóricas no tienen por qué ser verdad siempre.

Las reglas pueden tener variantes, entre ellas se encuentran las siguientes:

Con excepciones: Son el tipo: SI la temperatura es alta ENTONCES tendré calor EXCEPTO que tenga aire acondicionado.

Graduales: Cuantos más partidos ganemos, más fácil será ganar la liga.

Reglas conflictivas: Son reglas que dentro de un mismo sistema tienen información contradictoria, lo cual puede acarrear muchos problemas, tales como malos resultados o generar problemas.

Este tipo de reglas son aquellas que para un mismo antecedente, tienen

Consecuentes distintos, por ejemplo:

• R1: SI tengo hambre ENTONCES como.

• R2: SI tengo hambre ENTONCES no como.

Otro ejemplo de reglas contradictorias son aquellas que estando encadenadas

En ambos sentidos, niegan un consecuente:

• R1: SI he metido un gol ENTONCES estoy feliz.

• R2: SI estoy feliz ENTONCES no he metido un gol.

4.3.1.-HECHOS

Definición:

Son los datos propios correspondientes a los problemas que se desea tratar con la ayuda del sistema. Asimismo, a pesar de ser la memoria de trabajo, la base de hechos puede desempeñar el papel de memoria auxiliar. La memoria de trabajo memoriza todos los resultados intermedios, permitiendo conservar el rastro de los razonamientos llevados a cabo.

Puede, por eso, emplearse para explicar el origen de las informaciones deducidas por el sistema en el transcurso de una sesión de trabajo o para llevar a cabo la descripción del comportamiento del propio sistema experto. Al principio del período de trabajo, la base de hechos dispone únicamente de los datos que le ha introducido el usuario del sistema, pero, a medida que va actuando el motor de inferencias, contiene las cadenas de inducciones y deducciones que el sistema forma al aplicar las reglas para obtener las conclusiones buscadas.

• Las reglas de producción son de tipo: SI ENTONCES (SI A ENTONCES B). Donde tanto las premisas como la conclusión, no son más que una cadena de hechos conectados por “Y” o por “O”, de forma general seria: SI Y/O Y/O…..ENTONCES Y/O Los hechos son afirmaciones que sirven para presentar conceptos, datos, objetos, etc. Y el conjunto de hechos que describen el problema es la base de hechos. Ejemplo de hechos: Juan es un estudiante Juan tiene 8 años El perro es blanco

4.3.2.-BASES DE CONOCIMIENTOS

La base de conocimiento o knowledgebase; abreviado KB, es una clase especial de base de datos para gerencia del conocimiento. Proporciona los medios para la colección automatizada, organización, y recuperación de conocimiento. Apenas pues tiene costumbre convertido de escribir base de datos pues una palabra él es cada vez más común en informática escribir knowledgebase como una palabra (un acercamiento del interino era escribir el término con un guion).

Las bases de conocimiento se categorizan en dos tipos importantes:

• Bases de conocimiento legibles por la máquinaAlmacenan el conocimiento en una forma legible por el computador, generalmente con el fin automatizando razonamiento deductivo aplicado a ellos. Contienen un sistema de datos, a menudo bajo la forma de reglas que describan el conocimiento en a lógicamente constante manera. Operadores lógicos, por ejemplo Y (conjunción), O (separación), implicación material y negación puede ser utilizado construirlo para arriba del conocimiento atómico. Por lo tanto, la deducción clásica se puede utilizar para razonar sobre el conocimiento en la base de conocimiento.

• Bases de conocimiento Human-readable:Se diseñan para permitir que la gente recupere y que utilice el conocimiento que ella contiene, sobre todo para los propósitos del entrenamiento. Son de uso general capturar el conocimiento explícito de la organización, incluyendo localización de averías, artículos, papeles blancos, manuales de usuario y otros. Una ventaja primaria de tal base de conocimiento es que puede ayudar a un usuario a encontrar una solución existente a su problema actual (así evitando tuvieron que “reinventan la rueda”).

4.3.3.-MECANISMOS DE CONTROL

El aspecto más importante de una base de conocimiento es la calidad de la información que contiene. Las mejores bases de conocimiento han escrito cuidadosamente los artículos que se guardan actualizado, un sistema excelente de la recuperación de datos (tal como a Search Engine), y un formato contento cuidadosamente diseñado y clasificación estructura.

Una base de conocimiento puede utilizar ontología para especificar su estructura (los tipos y las relaciones de la entidad) y la clasificación que proyecta. Una ontología, junto con un sistema de casos de sus clases, constituye una base de conocimiento.

La determinación de qué tipo de información se captura, y donde esa información reside en una base de conocimiento, es algo que es determinado por los procesos que apoyan el sistema. Una estructura de proceso robusta es la espina dorsal de cualquier base de conocimiento acertada.

Algunas bases de conocimiento tienen inteligencia artificial componente. Estas clases de bases de conocimiento pueden sugerir soluciones a los problemas basados a veces en la regeneración proporcionada por el usuario, y son capaces de aprender por experiencia. La representación del conocimiento, el razonamiento automatizado y la argumentación son campos de investigación activos en la vanguardia de la inteligencia artificial

4.4.-CICLO DE VIDA DE UN SISTEMA DE CONTROLEl ciclo básico está constituido por:

• Fase de decisión o selección de reglas

• Fase de acción o ejecución de las reglas seleccionadas

Fase de decisión: TareasRestricción• Trata de simplificar el proceso de equiparación

• Elimina del foco de atención del motor de inferencias aquellas reglas que claramente no tienen nada que ver con el estado actual representado en la memoria activa del sistema.

• Ejemplo de restricción estática: los sistemas de producción suelen dividirse en varias bases de reglas y varias bases de hechos

• Alternativa dinámica: emplea meta conocimiento (conocimiento sobre conocimiento)

Equiparación (emparejamiento)• Se tratará de identificar que reglas son potencialmente relevantes en el contexto del problema que queremos resolver.

• El resultado final es la obtención del denominado conjunto conflicto que, incluye todas las reglas potencialmente útiles en la resolución de nuestro problema.

Resolución de conflictos: decidir qué regla aplicar

• La decisión final está fuertemente condicionada por la estrategia genérica de búsqueda.• Técnicas:• Uso de metareglas. Por ejemplo: Las reglas proporcionadas por expertos tienen mayor prioridad que las de

los novatos• Asignar prioridades a las reglas (en función del orden en la base de reglas o de valores numéricos

directamente)• Usar la regla más específica puesto que procesa más información que una regla general• Elegir la regla que use los datos más recientes, con el fin de seguir una línea de razonamiento estable y

sensible con la nueva información.

Fase de acción: Tareas• Actualización de la memoria activa (nuevos hechos y/o hipótesis)

• Marcaje de las estructuras utilizadas

• Verificación de si continuar o no el proceso cíclico